神經(jīng)網(wǎng)絡(luò)與機(jī)器學(xué)習(xí)（原書第3版）

內(nèi)容概要

神經(jīng)網(wǎng)絡(luò)是計(jì)算智能和機(jī)器學(xué)習(xí)的重要分支，在諸多領(lǐng)域都取得了很大的成功。在眾多神經(jīng)網(wǎng)絡(luò)著作中，影響最為廣泛的是Simon Haykin的《神經(jīng)網(wǎng)絡(luò)原理》（第3版更名為《神經(jīng)網(wǎng)絡(luò)與機(jī)器學(xué)習(xí)》）。在本書中，作者結(jié)合近年來神經(jīng)網(wǎng)絡(luò)和機(jī)器學(xué)習(xí)的最新進(jìn)展，從理論和實(shí)際應(yīng)用出發(fā)，全面、系統(tǒng)地介紹了神經(jīng)網(wǎng)絡(luò)的基本模型、方法和技術(shù)，并將神經(jīng)網(wǎng)絡(luò)和機(jī)器學(xué)習(xí)有機(jī)地結(jié)合在一起。　　本書不但注重對(duì)數(shù)學(xué)分析方法和理論的探討，而且也非常關(guān)注神經(jīng)網(wǎng)絡(luò)在模式識(shí)別、信號(hào)處理以及控制系統(tǒng)等實(shí)際工程問題的應(yīng)用。本書的可讀性非常強(qiáng)，作者舉重若輕地對(duì)神經(jīng)網(wǎng)絡(luò)的基本模型和主要學(xué)習(xí)理論進(jìn)行了深入探討和分析，通過大量的試驗(yàn)報(bào)告、例題和習(xí)題來幫助讀者更好地學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)。　　本版在前一版的基礎(chǔ)上進(jìn)行了廣泛修訂，提供了神經(jīng)網(wǎng)絡(luò)和機(jī)器學(xué)習(xí)這兩個(gè)越來越重要的學(xué)科的最新分析?！　”緯厣骸　?. 基于隨機(jī)梯度下降的在線學(xué)習(xí)算法；小規(guī)模和大規(guī)模學(xué)習(xí)問題?！　?. 核方法，包括支持向量機(jī)和表達(dá)定理?！　?. 信息論學(xué)習(xí)模型，包括連接、獨(dú)立分量分析（ICA）、一致獨(dú)立分量分析和信息瓶頸?！　?. 隨機(jī)動(dòng)態(tài)規(guī)劃，包括逼近和神經(jīng)動(dòng)態(tài)規(guī)劃?！　?. 逐次狀態(tài)估計(jì)算法，包括卡爾曼和粒子濾波器?！　?. 利用逐次狀態(tài)估計(jì)算法訓(xùn)練遞歸神經(jīng)網(wǎng)絡(luò)?！　?. 富有洞察力的面向計(jì)算機(jī)的試驗(yàn)。

作者簡(jiǎn)介

作者：（加拿大）海金（Simon Haykin） 譯者：申富饒 徐燁 鄭俊 晁靜Simon Haykin，是國(guó)際電子電氣工程界的著名學(xué)者，加拿大皇家學(xué)會(huì)院士，IEEE會(huì)士，于1953年獲得英國(guó)伯明翰大學(xué)博士學(xué)位，現(xiàn)任加拿大麥克馬斯特大學(xué)教授，在該校創(chuàng)辦了通信研究實(shí)驗(yàn)室并長(zhǎng)期擔(dān)任主任。他曾經(jīng)獲得IEEE McNaughton獎(jiǎng)?wù)?，在神?jīng)網(wǎng)絡(luò)、通信、自適應(yīng)濾波器等領(lǐng)域成果頗豐，著有多種標(biāo)準(zhǔn)教材。

書籍目錄

出版者的話譯者序前言縮寫和符號(hào)術(shù)語第0章 導(dǎo)言0.1 什么是神經(jīng)網(wǎng)絡(luò)0.2 人類大腦0.3 神經(jīng)元模型0.4 被看作有向圖的神經(jīng)網(wǎng)絡(luò)0.5 反饋0.6 網(wǎng)絡(luò)結(jié)構(gòu)0.7 知識(shí)表示0.8 學(xué)習(xí)過程0.9 學(xué)習(xí)任務(wù)0.10 結(jié)束語注釋和參考文獻(xiàn)第1章 Rosenblatt感知器1.1 引言1.2 感知器1.3 感知器收斂定理1.4 高斯環(huán)境下感知器與貝葉斯分類器的關(guān)系1.5 計(jì)算機(jī)實(shí)驗(yàn)：模式分類1.6 批量感知器算法1.7 小結(jié)和討論注釋和參考文獻(xiàn)習(xí)題第2章 通過回歸建立模型2.1 引言2.2 線性回歸模型：初步考慮2.3 參數(shù)向量的最大后驗(yàn)估計(jì)2.4 正則最小二乘估計(jì)和MAP估計(jì)之間的關(guān)系2.5 計(jì)算機(jī)實(shí)驗(yàn)：模式分類2.6 最小描述長(zhǎng)度原則2.7 固定樣本大小考慮2.8 工具變量方法2.9 小結(jié)和討論注釋和參考文獻(xiàn)習(xí)題第3章 最小均方算法3.1 引言3.2 LMS算法的濾波結(jié)構(gòu)3.3 無約束最優(yōu)化：回顧3.4 維納濾波器3.5 最小均方算法3.6 用馬爾可夫模型來描畫LMS算法和維納濾波器的偏差3.7 朗之萬方程：布朗運(yùn)動(dòng)的特點(diǎn)3.8 Kushner直接平均法3.9 小學(xué)習(xí)率參數(shù)下統(tǒng)計(jì)LMS學(xué)習(xí)理論3.10 計(jì)算機(jī)實(shí)驗(yàn)?。壕€性預(yù)測(cè)3.11 計(jì)算機(jī)實(shí)驗(yàn)ⅱ：模式分類3.12 LMS算法的優(yōu)點(diǎn)和局限3.13 學(xué)習(xí)率退火方案3.14 小結(jié)和討論注釋和參考文獻(xiàn)習(xí)題第4章 多層感知器4.1 引言4.2 一些預(yù)備知識(shí)4.3 批量學(xué)習(xí)和在線學(xué)習(xí)4.4 反向傳播算法4.5 異或問題4.6 改善反向傳播算法性能的試探法4.7 計(jì)算機(jī)實(shí)驗(yàn)：模式分類4.8 反向傳播和微分4.9 Hessian矩陣及其在在線學(xué)習(xí)中的規(guī)則4.10 學(xué)習(xí)率的最優(yōu)退火和自適應(yīng)控制4.11 泛化4.12 函數(shù)逼近4.13 交叉驗(yàn)證4.14 復(fù)雜度正則化和網(wǎng)絡(luò)修剪4.15 反向傳播學(xué)習(xí)的優(yōu)點(diǎn)和局限4.16 作為最優(yōu)化問題看待的監(jiān)督學(xué)習(xí)4.17 卷積網(wǎng)絡(luò)4.18 非線性濾波4.19 小規(guī)模和大規(guī)模學(xué)習(xí)問題4.20 小結(jié)和討論注釋和參考文獻(xiàn)習(xí)題第5章 核方法和徑向基函數(shù)網(wǎng)絡(luò)5.1 引言5.2 模式可分性的Cover定理5.3 插值問題5.4 徑向基函數(shù)網(wǎng)絡(luò)5.5 K-均值聚類5.6 權(quán)向量的遞歸最小二乘估計(jì)5.7 RBF網(wǎng)絡(luò)的混合學(xué)習(xí)過程5.8 計(jì)算機(jī)實(shí)驗(yàn)：模式分類5.9 高斯隱藏單元的解釋5.10 核回歸及其與RBF網(wǎng)絡(luò)的關(guān)系5.11 小結(jié)和討論注釋和參考文獻(xiàn)習(xí)題第6章支持向量機(jī)6.1 引言6.2 線性可分模式的最優(yōu)超平面6.3 不可分模式的最優(yōu)超平面6.4 使用核方法的支持向量機(jī)6.5 支持向量機(jī)的設(shè)計(jì)6.6 XOR問題6.7 計(jì)算機(jī)實(shí)驗(yàn):模式分類6.8 回歸：魯棒性考慮6.9 線性回歸問題的最優(yōu)化解6.10表示定理和相關(guān)問題6.11 小結(jié)和討論注釋和參考文獻(xiàn)習(xí)題第7章 正則化理論7.1 引言7.2 良態(tài)問題的Hadamard條件7.3 Tikhonov正則化理論7.4 正則化網(wǎng)絡(luò)7.5 廣義徑向基函數(shù)網(wǎng)絡(luò)7.6 再論正則化最小二乘估計(jì)7.7 對(duì)正則化的附加要點(diǎn)7.8 正則化參數(shù)估計(jì)7.9 半監(jiān)督學(xué)習(xí)7.1 0流形正則化：初步的考慮7.1 1可微流形7.1 2廣義正則化理論7.1 3光譜圖理論7.1 4廣義表示定理7.1 5拉普拉斯正則化最小二乘算法7.1 6用半監(jiān)督學(xué)習(xí)對(duì)模式分類的實(shí)驗(yàn)7.1 7小結(jié)和討論注釋和參考文獻(xiàn)習(xí)題第8章 主分量分析8.1 引言232……第9章 自組織映射第10章 信息論學(xué)習(xí)模型第11章 植根于統(tǒng)計(jì)力學(xué)的隨機(jī)方法第12章 動(dòng)態(tài)規(guī)劃第13章 神經(jīng)動(dòng)力學(xué)第14章 動(dòng)態(tài)系統(tǒng)狀態(tài)估計(jì)的貝葉斯濾波第15章 動(dòng)態(tài)驅(qū)動(dòng)遞歸網(wǎng)絡(luò)參考文獻(xiàn)

章節(jié)摘錄

版權(quán)頁：插圖：0.1什么是神經(jīng)網(wǎng)絡(luò)自從認(rèn)識(shí)到人腦計(jì)算與傳統(tǒng)的數(shù)字計(jì)算機(jī)相比是完全不同的方式開始，關(guān)于人工神經(jīng)網(wǎng)絡(luò)（一般稱為“神經(jīng)網(wǎng)絡(luò)”（neural network））的研究工作就開始了。人腦是一個(gè)高度復(fù)雜的、非線性的和并行的計(jì)算機(jī)器（信息處理系統(tǒng)）。人腦能夠組織它的組成成分，即神經(jīng)元，以比今天已有的最快的計(jì)算機(jī)還要快許多倍的速度進(jìn)行特定的計(jì)算（如模式識(shí)別、感知和發(fā)動(dòng)機(jī)控制）。例如，考慮人類視覺，這是一個(gè)信息處理任務(wù)。視覺系統(tǒng)的功能是為我們提供一個(gè)關(guān)于周圍環(huán)境的表示，并且更重要的是提供我們與環(huán)境交互（interact）所需的信息。具體來說，完成一個(gè)感知識(shí)別任務(wù)（例如識(shí)別一張被嵌入陌生場(chǎng)景的熟悉的臉）人腦大概需要100～200毫秒，而一臺(tái)高效的計(jì)算機(jī)卻要花費(fèi)比人腦多很多的時(shí)間才能完成一個(gè)相對(duì)簡(jiǎn)單的任務(wù)。再舉一個(gè)例子：考慮一只蝙蝠的聲吶。聲吶就是一個(gè)活動(dòng)回聲定位系統(tǒng)。除了提供目標(biāo)（例如飛行的昆蟲）有多遠(yuǎn)的信息外，蝙蝠的聲吶可以搜集目標(biāo)的相對(duì)速度、目標(biāo)大小、目標(biāo)不同特征的大小以及它的方位角和仰角的信息。所有這些信息都從目標(biāo)回聲中提取，而所有需要的復(fù)雜神經(jīng)計(jì)算只在李子般大小的腦中完成。事實(shí)上，一只回聲定位的蝙蝠可以靈巧地以很高的成功率追逐和捕捉目標(biāo)，這一點(diǎn)足以使雷達(dá)或聲吶工程師們自嘆弗如。那么，人腦或蝙蝠的腦是如何做到這一點(diǎn)的呢？腦在出生的時(shí)候就有很復(fù)雜的構(gòu)造和具有通過我們通常稱為的“經(jīng)驗(yàn)”來建立它自己規(guī)則的能力。確實(shí)，經(jīng)驗(yàn)是經(jīng)過時(shí)間積累的，人腦在出生后頭兩年內(nèi)發(fā)生了非常大的進(jìn)化（即硬接線），但是進(jìn)化將超越這個(gè)階段并繼續(xù)進(jìn)行。一個(gè)“進(jìn)化中”的神經(jīng)系統(tǒng)是與可塑的大腦同義的?？伤苄裕╬lasticity）允許進(jìn)化中的神經(jīng)系統(tǒng)適應(yīng)（adapt）其周邊環(huán)境?？伤苄运坪跏侨祟惔竽X中作為信息處理單元的神經(jīng)元功能的關(guān)鍵，同樣，它在人工神經(jīng)元組成的神經(jīng)網(wǎng)絡(luò)中亦是如此。最普通形式的神經(jīng)網(wǎng)絡(luò)，就是對(duì)人腦完成特定任務(wù)或感興趣功能所采用的方法進(jìn)行建模的機(jī)器。網(wǎng)絡(luò)一般用電子元件實(shí)現(xiàn)或者用軟件在數(shù)字計(jì)算機(jī)上模擬。在本書中，我們集中介紹一類重要的神經(jīng)網(wǎng)絡(luò)，這類網(wǎng)絡(luò)通過學(xué)習(xí)過程來實(shí)現(xiàn)有用的計(jì)算。為了獲得良好性能，神經(jīng)網(wǎng)絡(luò)使用一個(gè)很龐大的簡(jiǎn)單計(jì)算單元間的相互連接，這些簡(jiǎn)單計(jì)算單元稱為“神經(jīng)元”或者“處理單元”。據(jù)此我們給出將神經(jīng)網(wǎng)絡(luò)看作一種自適應(yīng)機(jī)器的定義。

編輯推薦

《神經(jīng)網(wǎng)絡(luò)與機(jī)器學(xué)習(xí)(原書第3版)》：神經(jīng)網(wǎng)絡(luò)是計(jì)算智能和機(jī)器學(xué)習(xí)的重要分支，在諸多領(lǐng)域都取得了很大的成功。在眾多神經(jīng)網(wǎng)絡(luò)著作中，影響最為廣泛的是Simon Haykin的《神經(jīng)網(wǎng)絡(luò)原理》（第3版更名為《神經(jīng)網(wǎng)絡(luò)與機(jī)器學(xué)習(xí)》）。在《神經(jīng)網(wǎng)絡(luò)與機(jī)器學(xué)習(xí)(原書第3版)》中，作者結(jié)合近年來神經(jīng)網(wǎng)絡(luò)和機(jī)器學(xué)習(xí)的最新進(jìn)展，從理論和實(shí)際應(yīng)用出發(fā)，全面、系統(tǒng)地介紹了神經(jīng)網(wǎng)絡(luò)的基本模型、方法和技術(shù)，并將神經(jīng)網(wǎng)絡(luò)和機(jī)器學(xué)習(xí)有機(jī)地結(jié)合在一起。《神經(jīng)網(wǎng)絡(luò)與機(jī)器學(xué)習(xí)(原書第3版)》不但注重對(duì)數(shù)學(xué)分析方法和理論的探討，而且也非常關(guān)注神經(jīng)網(wǎng)絡(luò)在模式識(shí)別、信號(hào)處理以及控制系統(tǒng)等實(shí)際工程問題中的應(yīng)用?！渡窠?jīng)網(wǎng)絡(luò)與機(jī)器學(xué)習(xí)(原書第3版)》的可讀性非常強(qiáng)，作者舉重若輕地對(duì)神經(jīng)網(wǎng)絡(luò)的基本模型和主要學(xué)習(xí)理論進(jìn)行了深入探討和分析，通過大量的實(shí)驗(yàn)報(bào)告、例題和習(xí)題來幫助讀者更好地學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)。本版在前一版的基礎(chǔ)上進(jìn)行了廣泛修訂，提供了神經(jīng)網(wǎng)絡(luò)和機(jī)器學(xué)習(xí)這兩個(gè)越來越重要的學(xué)科的最新分析?！渡窠?jīng)網(wǎng)絡(luò)與機(jī)器學(xué)習(xí)(原書第3版)》特色  ·基于隨機(jī)梯度下降的在線學(xué)習(xí)算法；小規(guī)模和大規(guī)模學(xué)習(xí)問題。  ·核方法，包括支持向量機(jī)和表示定理。  ·信息論學(xué)習(xí)模型，包括獨(dú)立分量分析（1CA）、相關(guān)獨(dú)立分量分析和信息瓶頸等。  ·隨機(jī)動(dòng)態(tài)規(guī)劃，包括逼近和神經(jīng)動(dòng)態(tài)規(guī)劃。  ·逐次狀態(tài)估計(jì)算法，包括卡爾曼和粒子濾波器。  ·利用逐次狀態(tài)估計(jì)算法訓(xùn)練遞歸神經(jīng)網(wǎng)絡(luò)。  ·富有洞察力的面向計(jì)算機(jī)的實(shí)驗(yàn)。

圖書封面

圖書標(biāo)簽Tags

無

評(píng)論、評(píng)分、閱讀與下載

---

    神經(jīng)網(wǎng)絡(luò)與機(jī)器學(xué)習(xí)（原書第3版） PDF格式下載

---